基于RFM和AHP的商品組合選擇方法

劉紫蓮，葉 開(kāi)

（電子科技大學(xué) 經(jīng)濟(jì)與管理學(xué)院，成都 611731）

電子商務(wù)迅猛發(fā)展，銷售數(shù)據(jù)與市場(chǎng)需求隨顧客偏好實(shí)時(shí)更新，挖掘商品組合以促進(jìn)營(yíng)銷策略制定，是企業(yè)利潤(rùn)提升所關(guān)注的重要問(wèn)題［1］。網(wǎng)絡(luò)數(shù)據(jù)具有海量性、實(shí)時(shí)性，商品組合的選擇要考慮價(jià)值、頻繁、實(shí)時(shí)性，才能使綜合制定的營(yíng)銷策略滿足瞬息萬(wàn)變的市場(chǎng)競(jìng)爭(zhēng)要求［2－7］。

在RFM模式中，R（Recency）表示客戶最近一次購(gòu)買的時(shí)間有多遠(yuǎn)，F(xiàn)（Frequency）表示客戶在最近一段時(shí)間內(nèi)購(gòu)買的次數(shù)，M（Monetary）表示客戶在最近一段時(shí)間內(nèi)購(gòu)買的金額。文章先對(duì)商品組合得分進(jìn)行標(biāo)準(zhǔn)化，再分別采用全局平均、AHP、未賦權(quán)重三種方法對(duì)RFM中三變量的重要程度加以賦權(quán)。其中全局平均方法，是將所有頻繁商品組合的、、進(jìn)行標(biāo)準(zhǔn)化（如式1）后進(jìn)行平均作為相應(yīng)的權(quán)重，根據(jù)式2得到商品組合得分。

基于RFM增長(zhǎng)算法。在挖掘商品組合過(guò)程中，采用類FP－growth算法 RFM－growth算法，構(gòu)建 RFM－pattern－tree。

本文數(shù)據(jù)選用SQLserver2005中超市零售數(shù)據(jù)foodmart的銷售數(shù)據(jù)，取1998年數(shù)據(jù)進(jìn)行測(cè)試，包括2690個(gè)用戶的18325條交易記錄；再取1997年活躍度較高的3000個(gè)顧客的購(gòu)買記錄進(jìn)行對(duì)比實(shí)驗(yàn)。測(cè)試實(shí)驗(yàn)進(jìn)行6次，在給定衰減速度δ＝0.1的前提下，分別測(cè)試最小支持度α、β、γ取不同值時(shí)RFM－pattern項(xiàng)集數(shù)及相應(yīng)的準(zhǔn)確率，并根據(jù)公式2確定頻繁三項(xiàng)集最終排序。 對(duì)比實(shí)驗(yàn)在 δ＝0.1，α＝0.1，β＝0.2%，γ＝500 時(shí)與已有的文獻(xiàn)結(jié)果進(jìn)行對(duì)比，并進(jìn)行結(jié)果分析。

測(cè)試實(shí)驗(yàn)結(jié)果表明：（1）運(yùn)用RFM-growth算法挖掘出的頻繁二項(xiàng)集準(zhǔn)確度較高，并且隨著的增大準(zhǔn)確率下降。（2）對(duì)于RFM－pattern，在三個(gè)參數(shù)分別變化時(shí)，頻繁項(xiàng)集隨參數(shù)的增大而減少，特別的，影響較大，次之?？梢?jiàn)，超市的商品組合收到實(shí)時(shí)性和價(jià)值性影響較重。

對(duì)商品組合三項(xiàng)集、和進(jìn)行標(biāo)準(zhǔn)化，根據(jù)專家打分確定WR、WF和 WM分別為 0.402，0.224，0.375， 對(duì)比試驗(yàn)對(duì)比實(shí)驗(yàn)在 δ＝0.1，α＝0.1，β＝0.2%，γ＝500 與先前實(shí)驗(yàn)結(jié)果（參考文獻(xiàn)［1］）進(jìn)行對(duì)比，發(fā)現(xiàn)對(duì)于奶酪、湯、香波、甜點(diǎn)、薯片等RFM值較高的商品而言，組合的二項(xiàng)集、三項(xiàng)集得分較高，這類商品組合銷售可獲得更高的利潤(rùn)，對(duì)于商家來(lái)說(shuō)應(yīng)對(duì)此制定好銷售策略。

本文提出了一種基于RFM和AHP的商品組合選擇模型，該模型不僅通過(guò)RFM思想考慮了商品組合選擇的價(jià)值問(wèn)題、熱度問(wèn)題、市場(chǎng)需求變化等問(wèn)題，而且采用類FP－growth算法加以技術(shù)支持，為企業(yè)快速有效的獲得商品組合全面信息提供了保障，實(shí)驗(yàn)方法也為企業(yè)有針對(duì)性的制定營(yíng)銷策略提供了可能。這種商品組合方法豐富了商品組合方法體系，并能給商家?guī)?lái)高利潤(rùn)，為決策者有針對(duì)性的制定營(yíng)銷策略提供了保障。

［1］張志宏，寇紀(jì)淞，陳富贊，等.基于關(guān)聯(lián)分析的多目標(biāo)商品組合選擇方法［J］.系統(tǒng)工程學(xué)報(bào)，2011，26（1）：132－138.

［2］Wong R CW， Fu A W C， Wang K.Data M ining for I nventory I tem S election with C ross －S elling C onsiderations［J］.Data M ining and K nowledge D iscovery，2005， 11（1）： 81－112.

［3］Brijs T， Swinnen G， Vanhoof K， et al.Building an A ssociation R ules F ramework to I mprove P roduct A ssortment D ecisions［J］.DataMiningand Knowledge Discovery， 2004， 8（1）： 7－23.

［4］Ha Y H， Yeh TW.Discovering V aluable F requent P atterns B ased on RFM A nalysis w ithout C ustomer I dentification I nformation ［J］.Knowledge－Based Systems， 2014（61）：76－88.

［5］Han J，Kamber M，Pei J.Data M ining：Concepts and T echniques［M］.Morgan Kaufmann， 2011： 243－271.

［6］R Agrawal and R Srikant.Fast A lgorithms for M ining A ssociation R ules//Proc.1994 Int.Conf.Very Large Data Bases （VLDB’94），1994：487 －499，Santiago，Chile.

［7］Pei，J， Han，J， Mortazavi－Asl， B， Zhu，H.Mining A ccess P atterns E fficiently from W eb L ogs//Proceeding of the 2000 Pacific－Asia C onference on K nowledge D iscovery and D ata M ining （PAKDD’00），Kyoto，Japan，2000：396-407.